⑤ ディープラーニングの応用例 ／ 28. 音声処理
音声合成とは
音声合成とは、テキストから人間の音声を生成するText-to-Speech（TTS）技術です。WaveNetやTacotronなどの深層学習モデルにより、極めて自然な音声生成が可能になりました。
この用語はG検定シラバスの「28. 音声処理」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
文字を読み上げて音声にする技術です。
従来の方式との違い
かつては、あらかじめ録音した音の断片をつなぎ合わせる方式が主流でした。大量の録音が必要なうえ、つなぎ目が不自然になりがちでした。
深層学習による手法は波形そのものを生成するため、滑らかで自然な音声を作れます。WaveNetがその代表例です。
音声認識との対
| 技術 | 変換の向き |
|---|---|
| 音声合成（TTS） | テキスト → 音声 |
| 音声認識（STT） | 音声 → テキスト |
TTSとSTTの向きを取り違えないことが基本の確認事項です。
自然さの要素
自然な音声には抑揚・間・強調といった要素が欠かせません。文字だけからこれを決めるのは簡単ではありません。
近年は感情や話者性を指定できる音声合成も実用化されており、表現の幅が広がっています。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| 音声合成 | テキスト → 音声（TTS） |
| 音声認識 | 音声 → テキスト（STT） |
🎯 G検定での押さえどころ
- Text-to-Speech（TTS）
- WaveNet・Tacotronが代表例
- 音声認識（STT）とは変換の向きが逆
⚠️ よくある誤りの選択肢
- 「音声合成は音声をテキストに変換する技術である」→ 誤り。逆向きです
この用語を覚えたら
チェックは章ページと「試験内容解説」TOPの進捗にも反映されます
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。